CN114092322A - 异常检测模型生成方法及装置和异常检测方法及装置 - Google Patents
异常检测模型生成方法及装置和异常检测方法及装置 Download PDFInfo
- Publication number
- CN114092322A CN114092322A CN202210058935.XA CN202210058935A CN114092322A CN 114092322 A CN114092322 A CN 114092322A CN 202210058935 A CN202210058935 A CN 202210058935A CN 114092322 A CN114092322 A CN 114092322A
- Authority
- CN
- China
- Prior art keywords
- image data
- lithium battery
- color image
- abnormality detection
- encoder
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 48
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims abstract description 87
- 229910052744 lithium Inorganic materials 0.000 claims abstract description 87
- 230000005856 abnormality Effects 0.000 claims abstract description 46
- 230000002159 abnormal effect Effects 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 49
- 238000004590 computer program Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 239000000126 substance Substances 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000032683 aging Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000003325 tomography Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/001—Model-based coding, e.g. wire frame
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Secondary Cells (AREA)
Abstract
一种异常检测模型生成方法及装置和异常检测方法及装置。其中，一种异常检测模型生成方法，包括：获取锂电池断层的深度图像数据，将获取的所述深度图像数据中表示锂电池正常的图像数据转换成彩色图像数据；采用所述彩色图像数据训练预先设置的自编码器，以获得所述彩色图像数据的重构图像数据；根据所述彩色图像数据和所述重构图像数据计算异常检测报警阈值。与相关技术相比，上述方法在模型生成时无需采集锂电池异常状态的样本，就可得到报警阈值，而且通过优化的异常检测模型进行锂电池异常检测，准确率高。此外，可对锂电池多类未知异常状态进行检测，适用范围广。
Description
技术领域
本文涉及锂电池技术，尤指一种用于锂电池的异常检测模型生成方法及装置和异常检测方法及装置。
背景技术
近年来，全球能源短缺、环境污染问题日益加剧，采用新能源的能量供给方式来取代传统燃料的能量供给方式对缓解环境问题十分必要。随着国家政策的支持，我国新能源产业也得到了快速发展，锂电池是新能源产业链中重要的储能装置，被广泛应用于电动汽车、笔记本电脑等装置。锂电池一旦发生故障，将严重降低使用效率、难以保障使用安全，因此，实现锂电池异常智能检测，对设备的安全使用具有重要意义。
数据驱动的方法是锂电池健康状态监测中常用的方法之一，主要包括数据采集、特征提取和诊断分析步骤。该类方法中目前存在的主要问题包括：1）锂电池健康监测的数据类型主要包括电压信号、电流信号和温度信号，这些数据不能反映电池老化过程中内部结构的变化，降低了健康状态监测性能；2）异常检测多基于历史正常数据和历史异常数据，但是，当历史异常数据类型有限的情况下，训练得到的异常检测模型适用性差，出现新类别的异常数据后，异常检测模型难以对数据类型进行区分，从而降低了异常检测的性能。
发明内容
有鉴于此，本发明实施例提供了以下方案。
以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
本发明实施例提供了一种异常检测模型生成方法，包括：
获取锂电池断层的深度图像数据，将获取的所述深度图像数据中表示锂电池正常的图像数据转换成彩色图像数据；
采用所述彩色图像数据训练预先设置的自编码器，以获得所述彩色图像数据的重构图像数据；
根据所述彩色图像数据和所述重构图像数据计算异常检测报警阈值。
在一种示例性实例中，所述采用所述彩色图像数据训练预先设置的自编码器，包括：
采用迭代方式执行以下步骤，直至获得的损失函数的值小于预设阈值：
将所述彩色图像数据输入预设的自编码器，获取重构图像数据；
根据所述彩色图像数据和所述重构图像数据计算损失函数的值；
根据所述损失函数的值调整所述自编码器的参数；
当损失函数的值小于预设阈值时，将调整后得到的自编码器作为训练好的自编码器。
在一种示例性实例中，所述根据所述彩色图像数据和所述重构图像数据计算损失函数的值，包括：
在损失函数中添加正则化项，获得修正后的损失函数；
根据所述彩色图像数据和所述重构图像数据计算修正后的损失函数的值。
在一种示例性实例中，所述预先设置的自编码器包括编码器和解码器，所述编码器和所述解码器包括激活函数；
所述激活函数的类型依据不同型号锂电池、不同锂电池循环环境的异常检测性能进行选取。
在一种示例性实例中，所述根据所述彩色图像数据和所述重构图像数据计算异常检测报警阈值，包括：
根据所述彩色图像数据和所述重构图像数据计算预设的异常检测指标函数的值，获得报警阈值的正态分布，其中，所述预设的异常检测指标函数为重构图像数据的均方差；
将所述报警阈值正态分布的均值与方差的和作为报警阈值。
本发明实施例还提供了一种锂电池异常检测方法，包括：
将锂电池实时扫描深度图像数据转换成彩色图像数据；
将所述彩色图像数据输入至训练好的自编码器得到重构的图像数据；
根据所述彩色图像数据和所述重构的图像数据计算异常检测指标值；
将所述异常检测指标值与异常检测报警阈值进行比较，当所述异常检测指标值超过异常检测报警阈值时，判定锂电池内部存在异常；当所述异常检测指标值未超过异常检测报警阈值时，判定锂电池运行正常。
在一种示例性实例中，按照上述异常检测模型生成方法训练得到所述自编码器。
在一种示例性实例中，按照上述异常检测模型生成方法计算得到所述异常检测报警阈值。
本发明实施例还提供了一种计算机存储介质，所述计算机存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现上述异常检测模型生成方法。
本发明实施例还提供了一种计算机存储介质，所述计算机存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现上述锂电池异常检测方法。
上述锂电池异常检测模型生成方法和异常检测方法，采集锂电池断层扫描的图像数据，能够反映锂电池老化过程中断层结构变化。上述异常检测模型在模型生成时无需采集锂电池异常状态的样本，就可得到报警阈值。在锂电池异常检测时，当锂电池实时扫描图像数据的异常检测指标值超过报警阈值时，判定锂电池内部存在异常，从而实现锂电池异常状态的智能检测。上述方法通过优化的锂电池异常检测模型进行锂电池异常检测，准确率高。此外，可对锂电池多类未知异常状态进行检测，适用范围广。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。
图1是本发明实施例异常检测模型生成方法的流程图；
图2是本发明实施例锂电池断层扫描深度图像示意图；
图3是本发明实施例编码器输入示意图；
图4是本发明实施例解码器输出示意图；
图5是本发明实施例训练预先设置的自编码器的流程图；
图6是本发明实施例锂电池异常检测方法的流程图；
图7是本发明实施例锂电池异常检测结果示意图。
具体实施方式
本发明描述了多个实施例，但是该描述是示例性的，而不是限制性的，并且对于本领域的普通技术人员来说显而易见的是，在本发明所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合，并在具体实施方式中进行了讨论，但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外，任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用，或可以替代任何其它实施例中的任何其他特征或元件。
本发明包括并设想了与本领域普通技术人员已知的特征和元件的组合。本发明已经公开的实施例、特征和元件也可以与任何常规特征或元件组合，以形成由权利要求限定的独特的发明方案。任何实施例的任何特征或元件也可以与来自其它发明方案的特征或元件组合，以形成另一个由权利要求限定的独特的发明方案。因此，应当理解，在本发明中示出和/或讨论的任何特征可以单独地或以任何适当的组合来实现。因此，除了根据所附权利要求及其等同替换所做的限制以外，实施例不受其它限制。此外，可以在所附权利要求的保护范围内进行各种修改和改变。
此外，在描述具有代表性的实施例时，说明书可能已经将方法和/或过程呈现为特定的步骤序列。然而，在该方法或过程不依赖于本文所述步骤的特定顺序的程度上，该方法或过程不应限于所述的特定顺序的步骤。如本领域普通技术人员将理解的，其它的步骤顺序也是可能的。因此，说明书中阐述的步骤的特定顺序不应被解释为对权利要求的限制。此外，针对该方法和/或过程的权利要求不应限于按照所写顺序执行它们的步骤，本领域技术人员可以容易地理解，这些顺序可以变化，并且仍然保持在本发明实施例的精神和范围内。
本发明实施例提供了一种异常检测模型生成方法，如图1所示，包括：
步骤110，获取锂电池断层的深度图像数据，将获取的深度图像数据中表示锂电池正常的图像数据转换成彩色图像数据。
在一种示例性实例中，可以通过对锂电池进行全寿命周期断层扫描，获取锂电池在退化过程中内部断层结构变化情况的深度图像数据，人工筛选出表示锂电池正常的图像数据。
在一种示例性实例中，以18650型号锂电池为例，获取18650型号锂电池断层的深度图像数据，其中表示锂电池正常的图像数据如图2所示。
由于获取的深度图像数据不能直接转换成计算机可分析的矩阵数据，因此，本步骤中会对获取的深度图像数据进行转换，以获得彩色图像数据。
在一种示例性实例中，将深度图像数据中表示锂电池正常的图像数据转换成彩色图像数据，转换后的彩色图像数据的每一帧图像数据可表示成矩阵，如公式(1)所示：
其中，
为彩色图像数据每一个像素点的值，
分别为矩阵的行数和列数。
步骤120，采用彩色图像数据训练预先设置的自编码器，以获得彩色图像数据的重构图像数据。
在一种示例性实例中，自编码器包括编码器和解码器。
编码器如公式（2）所示：
其中，
为彩色图像数据，
为编码函数，
为输入数据在低维特征空间的映射结果。
解码器如公式（3）所示：
其中，
为彩色图像数据的重构图像数据，和彩色图像数据具有相同的维度，
为解码函数。
在一种实施例中，编码函数
的表达式和解码函数
的表达式，如公式（4）、公式（5）所示：
其中，σ为激活函数。激活函数可以是sigmoid函数、tanh函数、ReLU等。激活函数的类型可以依据不同型号锂电池、不同锂电池循环环境的异常检测性能进行选取，这里不做限定。在一种实施例中，编码器和解码器的激活函数可以选择为同种类型。
在一种示例性实例中，针对18650型号锂电池，选择sigmoid函数为激活函数，如公式（6）所示：
其中，
为编码器和解码器线性求和结果，即
或
。
在一种示例性实例中，自编码器的编码器和解码器采用稠密层时，将彩色图像数据（二维数据）转换为一维数据作为编码器的输入，其中一组输入如图3所示，表示彩色图像数据中的每一个像素点对应一个值，图中横坐标表示图像像素点，纵坐标表示像素点幅值。通过解码器获得一维数据的重构数据，重构结果如图4所示，表示彩色图像数据的重构图像数据中的每一个像素点对应一个值，图中横坐标表示图像像素点，纵坐标表示像素点幅值。
在一种示例性实例中，采用彩色图像数据训练预先设置的自编码器，如图5所示，包括：
采用迭代方式执行以下步骤，直至获得的损失函数的值小于预设阈值。
步骤210，将彩色图像数据输入预设的自编码器，获取重构图像数据。
步骤220，根据彩色图像数据和重构图像数据计算损失函数的值。
在一种示例性实例中，损失函数可选取交叉熵函数，如公式（7）所示：
其中，
为彩色图像数据，
为经自编码器重构的彩色图像数据。
为了增强锂电池断层图像数据的稀疏性，在一种实施例中，可以在损失函数中进一步添加正则化项
，以优化算法，提升算法的性能。
优化后的损失函数，如公式（8）所示：
步骤230，根据损失函数的值调整自编码器的参数。
自编码器的迭代过程包括前向传播和后向传播。通过前向传播计算损失函数的值，当损失函数的值大于预设阈值时，进行后向传播，此时采用梯度下降等算法得到自编码器参数的最优解。
在一种实施例中，梯度下降的计算表达式如公式（9）、公式（10）所示：
其中，
为自编码器的权重，
为自编码器的偏差矩阵，
为迭代次数，
为神经网络学习速率。可以选择优化器如Adadelta算法、Adam算法等，计算自编码器的权重
和自编码器的偏差矩阵
。
当损失函数的值小于预设阈值时，将调整后得到的自编码器作为训练好的自编码器。
步骤130，根据彩色图像数据和重构图像数据计算异常检测报警阈值。
当锂电池断层的深度图像数据表示锂电池正常时，通过训练好的自编码器获得彩色图像数据的重构图像数据，重构图像数据和彩色图像数据偏离度小，重构的均方差值小。当锂电池断层的深度图像数据表现出锂电池异常时，异常数据模式和正常数据模式不匹配，重构的均方差将增大。
因此，在一种示例性实例中，采用重构图像数据的均方差作为锂电池异常检测的指标函数，如公式（11）所示：
计算锂电池异常检测指标函数的值，获得报警阈值的正态分布，如公式（12）所示：
其中，Ν代表正态分布，
,
分别为正态分布的均值和方差。
根据正态分布3σ准则，将报警阈值正态分布的均值
与方差
的和作为报警阈值，如公式（13）所示：
其中，
为报警阈值。
另一方面，本发明实施例还提供一种锂电池异常检测方法，如图6所示，包括：
步骤310，将锂电池实时扫描深度图像数据转换成彩色图像数据。
步骤320，将彩色图像数据输入至训练好的自编码器得到重构的图像数据。
在一种示例性实例中，按照上述异常检测模型生成方法训练得到自编码器。
步骤330，根据彩色图像数据和重构的图像数据计算异常检测指标值。
在一种示例性实例中，计算18650型号锂电池异常检测指标值，如公式（14）所示：
其中，
为锂电池实时扫描深度图像数据转换后的彩色图像数据，
为经自编码器重构的图像数据。
步骤340，将异常检测指标值与锂电池异常检测报警阈值进行比较，当所述异常检测指标值超过异常检测报警阈值时，判定锂电池内部存在异常；当所述异常检测指标值未超过异常检测报警阈值时，判定锂电池运行正常。
在一种示例性实例中，按照上述异常检测模型生成方法计算得到异常检测报警阈值。
在一种示例性实例中，18650型号锂电池异常检测指标值
和报警阈值
如图7所示。
当所述异常检测指标值超过异常检测报警阈值时，判定锂电池内部存在异常，即认为电池内部发生异常或严重老化，应及时检查电池内部状况，对电池进行维修或更换，避免安全事故发生。
另一方面，本发明实施例还提供一种计算机存储介质，所述计算机存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现上述生成锂电池异常检测模型的方法。
另一方面，本发明实施例还提供一种计算机存储介质，所述计算机存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现上述锂电池异常检测方法。
上述锂电池异常检测模型生成方法和异常检测方法，采集锂电池断层扫描的图像数据，能够反映锂电池老化过程中断层结构变化。上述异常检测模型在模型生成时无需采集锂电池异常状态的样本，就可得到报警阈值。在锂电池异常检测时，当锂电池实时扫描图像数据的异常检测指标值超过报警阈值时，判定锂电池内部存在异常，从而实现锂电池异常状态的智能检测。上述方法通过优化的锂电池异常检测模型进行锂电池异常检测，准确率高。此外，可对锂电池多类未知异常状态进行检测，适用范围广。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质（或非暂时性介质）和通信介质（或暂时性介质）。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息（诸如计算机可读指令、数据结构、程序模块或其他数据）的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于 RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘（DVD）或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
Claims (10)
1.一种异常检测模型生成方法，包括：
获取锂电池断层的深度图像数据，将获取的所述深度图像数据中表示锂电池正常的图像数据转换成彩色图像数据；
采用所述彩色图像数据训练预先设置的自编码器，以获得所述彩色图像数据的重构图像数据；
根据所述彩色图像数据和所述重构图像数据计算异常检测报警阈值。
2.根据权利要求1所述的异常检测模型生成方法，其中，
所述采用所述彩色图像数据训练预先设置的自编码器，包括：
采用迭代方式执行以下步骤，直至获得的损失函数的值小于预设阈值：
将所述彩色图像数据输入预设的自编码器，获取重构图像数据；
根据所述彩色图像数据和所述重构图像数据计算损失函数的值；
根据所述损失函数的值调整所述自编码器的参数；
当损失函数的值小于预设阈值时，将调整后得到的自编码器作为训练好的自编码器。
3.根据权利要求2所述的异常检测模型生成方法，其中，
所述根据所述彩色图像数据和所述重构图像数据计算损失函数的值，包括：
在所述损失函数中添加正则化项，获得修正后的损失函数；
根据所述彩色图像数据和所述重构图像数据计算修正后的损失函数的值。
4.根据权利要求1～3中任意一项所述的异常检测模型生成方法，其中，
所述预先设置的自编码器包括编码器和解码器，所述编码器和所述解码器均包括激活函数；
所述激活函数的类型依据不同型号锂电池、不同锂电池循环环境的异常检测性能进行选取。
5.根据权利要求1～3中任意一项所述的异常检测模型生成方法，其中，
所述根据所述彩色图像数据和所述重构图像数据计算异常检测报警阈值，包括：
根据所述彩色图像数据和所述重构图像数据计算预设的异常检测指标函数的值，获得报警阈值的正态分布，其中，所述预设的异常检测指标函数为重构图像数据的均方差；
将所述报警阈值正态分布的均值与方差的和作为所述报警阈值。
6.一种锂电池异常检测方法，包括：
将锂电池实时扫描深度图像数据转换成彩色图像数据；
将所述彩色图像数据输入至训练好的自编码器得到重构的图像数据；
根据所述彩色图像数据和所述重构的图像数据计算异常检测指标值；
将所述异常检测指标值与异常检测报警阈值进行比较，当所述异常检测指标值超过异常检测报警阈值时，判定锂电池内部存在异常；当所述异常检测指标值未超过异常检测报警阈值时，判定锂电池运行正常。
7.根据权利要求6所述的锂电池异常检测方法，还包括：
按照权利要求1～5任一项所述的异常检测模型生成方法训练得到所述自编码器。
8.根据权利要求6所述的锂电池异常检测方法，还包括：
按照权利要求1～5任一项所述的异常检测模型生成方法计算得到所述异常检测报警阈值。
9.一种计算机存储介质，所述计算机存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1～5中任一项所述的异常检测模型生成方法。
10.一种计算机存储介质，所述计算机存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求6～8中任一项所述的锂电池异常检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210058935.XA CN114092322A (zh) | 2022-01-19 | 2022-01-19 | 异常检测模型生成方法及装置和异常检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210058935.XA CN114092322A (zh) | 2022-01-19 | 2022-01-19 | 异常检测模型生成方法及装置和异常检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114092322A true CN114092322A (zh) | 2022-02-25 |
Family
ID=80308594
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210058935.XA Pending CN114092322A (zh) | 2022-01-19 | 2022-01-19 | 异常检测模型生成方法及装置和异常检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114092322A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102027355A (zh) * | 2008-05-16 | 2011-04-20 | 吉列公司 | 使用断层摄影术来测定电池特征的方法 |
| CN111967190A (zh) * | 2020-08-24 | 2020-11-20 | 哈尔滨理工大学 | 一种基于锂枝晶形貌图像识别的锂电池安全度评估方法及装置 |
| CN112285137A (zh) * | 2020-10-16 | 2021-01-29 | 合肥国轩高科动力能源有限公司 | 一种锂离子电池全生命周期析锂分布探测方法 |
| CN112418353A (zh) * | 2020-12-11 | 2021-02-26 | 中山瑞恒网络科技有限公司 | 用于电池隔膜异常检测的神经网络的训练方法 |
| CN112435221A (zh) * | 2020-11-10 | 2021-03-02 | 东南大学 | 一种基于生成式对抗网络模型的图像异常检测方法 |
| WO2021191405A1 (en) * | 2020-03-26 | 2021-09-30 | Another Brain | Anomaly detection based on an autoencoder and clustering |
| US20210374928A1 (en) * | 2020-05-26 | 2021-12-02 | Fujitsu Limited | Defect detection method and apparatus |
-
2022
- 2022-01-19 CN CN202210058935.XA patent/CN114092322A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102027355A (zh) * | 2008-05-16 | 2011-04-20 | 吉列公司 | 使用断层摄影术来测定电池特征的方法 |
| WO2021191405A1 (en) * | 2020-03-26 | 2021-09-30 | Another Brain | Anomaly detection based on an autoencoder and clustering |
| US20210374928A1 (en) * | 2020-05-26 | 2021-12-02 | Fujitsu Limited | Defect detection method and apparatus |
| CN111967190A (zh) * | 2020-08-24 | 2020-11-20 | 哈尔滨理工大学 | 一种基于锂枝晶形貌图像识别的锂电池安全度评估方法及装置 |
| CN112285137A (zh) * | 2020-10-16 | 2021-01-29 | 合肥国轩高科动力能源有限公司 | 一种锂离子电池全生命周期析锂分布探测方法 |
| CN112435221A (zh) * | 2020-11-10 | 2021-03-02 | 东南大学 | 一种基于生成式对抗网络模型的图像异常检测方法 |
| CN112418353A (zh) * | 2020-12-11 | 2021-02-26 | 中山瑞恒网络科技有限公司 | 用于电池隔膜异常检测的神经网络的训练方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20120116722A1 (en) | Detection of Defects in an Electrochemical Device | |
| CN112766342A (zh) | 一种电气设备的异常检测方法 | |
| CN110895705B (zh) | 异常样本检测装置及其训练装置和训练方法 | |
| CN110736968A (zh) | 基于深度学习的雷达异常状态诊断方法 | |
| CN114548199A (zh) | 一种基于深度迁移网络的多传感器数据融合方法 | |
| CN112416662A (zh) | 多时间序列数据异常检测方法与装置 | |
| CN114740388A (zh) | 一种基于改进tcn的锂电池剩余寿命状态评估方法 | |
| CN116993537A (zh) | 一种基于串行gru自编码器的电力负荷异常检测方法及系统 | |
| CN116306806A (zh) | 故障诊断模型确定方法、装置及非易失性存储介质 | |
| CN115374822A (zh) | 基于多级特征融合的故障诊断方法及其系统 | |
| CN116819423A (zh) | 关口电能计量装置运行状态异常检测方法及系统 | |
| CN115184054A (zh) | 机械设备半监督故障检测分析方法、装置、终端及介质 | |
| CN117131022B (zh) | 一种电力信息系统的异构数据迁移方法 | |
| CN117933531A (zh) | 一种分布式光伏发电功率预测系统及方法 | |
| Li et al. | Multi-time-step and multi-parameter prediction for real-world proton exchange membrane fuel cell vehicles (PEMFCVs) toward fault prognosis and energy consumption prediction | |
| CN112380763A (zh) | 一种基于数据挖掘的堆内构件可靠性分析系统及方法 | |
| CN117269742A (zh) | 一种高海拔环境下断路器健康状态评估方法、装置及介质 | |
| CN114092322A (zh) | 异常检测模型生成方法及装置和异常检测方法及装置 | |
| CN116400244A (zh) | 储能电池的异常检测方法及装置 | |
| CN114545066A (zh) | 一种非侵入式负荷监测模型聚合方法和系统 | |
| CN113887571A (zh) | 改进svr算法的电子设备故障预测方法 | |
| CN117407824B (zh) | 一种电力时间同步装置的健康检测方法、设备和介质 | |
| CN116304846B (zh) | 一种基于自监督学习的cvt内部绝缘异常在线评估方法 | |
| CN117633444A (zh) | 基于关联网络的传感器异常智能恢复方法及装置 | |
| CN117388702A (zh) | 一种基于神经网络的燃料电池故障诊断方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |